面向时空交通数据填补的可扩展低秩张量学习
机器学习
2021-06-15 v3 机器学习
摘要
时空交通数据中的缺失值问题长期是一个具有挑战性的课题，尤其是对于具有复杂缺失机制与不同缺失程度的大规模高维数据。近期基于张量核范数的研究通过有效刻画时空数据中复杂的相关性/依赖性，展示了张量学习在填补任务中的优越性。然而，尽管结果可观，这些方法在大规模数据张量上扩展性不佳。本文聚焦于解决大规模时空交通数据的缺失数据填补问题。为兼顾高精度与高效率，我们基于已有的低秩张量补全框架，开发了可扩展的张量学习模型——低管秩平滑张量补全（LSTC-Tubal）——该框架非常适用于以位置 一天中时刻 天 的多维结构为特征的时空交通数据。具体而言，所提 LSTC-Tubal 模型通过集成线性酉变换，涉及可扩展的张量核范数最小化方案。因此，张量核范数最小化可通过每日变换后矩阵的奇异值阈值化求解，而日间相关性可由酉变换矩阵有效保持。我们将 LSTC-Tubal 与最先进的基线模型比较，发现 LSTC-Tubal 能以显著更低的计算成本取得具竞争力的精度。此外，LSTC-Tubal 亦有益于大规模时空交通数据建模中的其他任务，如网络级交通预测。
引用
@article{arxiv.2008.03194,
title = {Scalable Low-Rank Tensor Learning for Spatiotemporal Traffic Data Imputation},
author = {Xinyu Chen and Yixian Chen and Nicolas Saunier and Lijun Sun},
journal= {arXiv preprint arXiv:2008.03194},
year = {2021}
}